智能控制第三版chap9 神经网络控制.pptVIP

31 在 RBF 网络结构中，取网络的输入为 r ( k ) ，网络的 径向基向量为 H = [ h 1 , … , h m ] T ， h j 为高斯基函数： ? ? ) 2 - exp(- 2 2 j j j b k r h C ? 网络的权向量为： W = [ w 1 , … , w m ] T RBF 网络的输出为： ? ? m m j j n w h w h w h k u ? ? ? ? ? 1 1 其中 m 为隐层神经元的个数。 32 设神经网络调整的性能指标为： ? ? ? ? ? ? ? ? 2 2 1 k u k u k E n ? ? ? ? ? ? ? ? ? ? p n j j u k u k w k w k ? ? ? ? ? 近似地取 由此所产生的不精确通过权值调节来补偿。 控制律为： ?? ?? ?? k u k u k u n p ? ? 33 神经网络权值的调整过程为： ? ? ? ? ? ? ? ? ? ? ? ? 2 1 1 ? ? ? ? ? ? ? ? k k k k k W W W W W ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? p j n j j n j u k E k wk u k uk wk wk u k uk h k ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 采用梯度下降法调整网络的权值： 其中 ? 为学习速率， ? 为动量因子。 这里没有考虑更新中心 C 和宽度 b 。 34 9.4.2 仿真实例 被控对象为： 2 1 0 0 0 ( ) s 5 0 2 0 0 0 G s s ? ? ? RBF 网络监督控制程序为 chap9_2.m 35 %RBF Supervisory Control clear all; close all; ts=0.001; sys=tf(1000,[1,50,2000]); dsys=c2d(sys,ts,z); [num, den]=tfdata(dsys,v); y_1=0; y_2=0; u_1=0; u_2=0; e_1=0; x=[0,0]; b=0.5*ones(4,1); c=[-2 -1 1 2]; w=rands(4,1); w_1=w; w_2=w_1; xite=0.30; alfa=0.05; kp=25; kd=0.3; for k=1:1:1000 time(k)=k*ts; r(k)=0.5*sign(sin(2*2*pi*k*ts)); y(k)=-den(2)*y_1-den(3)*y_2+num(2)*u_1+num(3)*u_2; … 36 0 0.2 0.4 0.6 0.8 1 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 time(s) r a n d y 37 9.5 RBF 网络自校正控制 9.5.1 神经网络自校正控制原理 1. 有两种结构： 直接型 与 间接型 。 2. 直接型自校正控制也称 直接逆动态控制 ，属于前馈控 制。 3. 间接自校正控制是一种由辨识器 对对象参数在线估计 ， 用调节器（或控制器）实现参数的自动整定 相结合的自 适应控制技术，通常用于结构已知而参数未知但恒定 （或者参数缓慢时变）的随机系统。 38 神经网络间接自校正控制结构如图 9-17 ，它由两个 回路组成： （ 1 ）自校正控制器与被控对象构成的 反馈回路 。 （ 2 ）控制器参数调整回路（由神经网络 辨识器 构成）。 r y u 图 9-17 神经网络间接自校正控制框图 39 其中 u ， y 分别为对象的输入和输出， j [ · ] 为非零函 数。若给定参考输入 r ，则控制器算法应为： ? ? ? ? [ ] ? ? [ ] ? ? k u k y k y g k y j ? ? ? 1 ? ? [] [] 1 ( ) r k g u k j ? ? ? ? ? 9.5.2 自校正控制算法 考虑被控对象： 未知函数 g [· ] 和 j [· ] 可通过在线训练 RBF 网络进行 辨识 ( 估计 ) ，辨识结果分别记为 N g [· ] 和 N j [· ] 40 则控制算法变为： ? ? [] [] 1 ( ) r k N g uk N j ? ? ? ? ? 9.5.3 RBF 网络自校正控制算法 设计 2 个 RBF 网络分别辨识未知函数 g [· ] 和 j [· ] 。 网络结构如图 9-18 ，其中 W 和 V 为权值向量，网络输 入均为 y ( k ) 。 两个网络的 结构完全相同 。 编程时用 r ( k ) 代替 r ( k +1) 41 图